Đề cương khóa học
NGÀY 1 - MẠNG NƠ-RON NHÂN TẠO
Giới thiệu và Cấu trúc ANN.
- Nơ-ron sinh học và nơ-ron nhân tạo.
- Mô hình của một ANN.
- Hàm kích hoạt được sử dụng trong ANN.
- Các lớp kiến trúc mạng điển hình.
Nền tảng Toán học và Cơ chế Học.
- Ôn tập đại số vector và ma trận.
- Khái niệm không gian trạng thái.
- Khái niệm về tối ưu hóa.
- Học sửa lỗi.
- Học dựa trên bộ nhớ.
- Học Hebbian.
- Học cạnh tranh.
Perceptron một lớp.
- Cấu trúc và học của perceptron.
- Bộ phân loại mẫu - giới thiệu và bộ phân loại Bayes.
- Perceptron như một bộ phân loại mẫu.
- Sự hội tụ của perceptron.
- Hạn chế của perceptron.
ANN truyền thẳng (Feedforward).
- Cấu trúc của mạng truyền thẳng nhiều lớp.
- Thuật toán lan truyền ngược (Backpropagation).
- Lan truyền ngược - huấn luyện và hội tụ.
- Xấp xỉ hàm bằng lan truyền ngược.
- Các vấn đề thực tiễn và thiết kế trong học lan truyền ngược.
Mạng Hàm Cốt Cơ Sóng (Radial Basis Function Networks - RBF).
- Tính tách biệt mẫu và nội suy.
- Lý thuyết điều hòa.
- Điều hòa và mạng RBF.
- Thiết kế và huấn luyện mạng RBF.
- Đặc tính xấp xỉ của RBF.
Học Cạnh tranh và ANN Tự Tổ chức.
- Quy trình phân cụm chung.
- Định lượng vector học tập (LVQ).
- Các thuật toán và kiến trúc học cạnh tranh.
- Bản đồ đặc trưng tự tổ chức.
- Đặc tính của bản đồ đặc trưng.
Mạng Nơ-ron Mơ hồ (Fuzzy Neural Networks).
- Hệ thống neuro-fuzzy.
- Nền tảng về tập mờ và logic mờ.
- Thiết kế các hệ thống mờ.
- Thiết kế ANN mờ.
Ứng dụng
- Một vài ví dụ về ứng dụng của Mạng Nơ-ron, cùng với các ưu điểm và thách thức của chúng sẽ được thảo luận.
NGÀY 2 - HỌC MÁY
- Khung học PAC
- Cam kết cho tập giả thuyết hữu hạn - trường hợp nhất quán
- Cam kết cho tập giả thuyết hữu hạn - trường hợp không nhất quán
- Các tính chất chung
- Kịch bản tất định so với ngẫu nhiên
- Nhiễu lỗi Bayes
- Lỗi ước lượng và lỗi xấp xỉ
- Chọn mô hình
- Độ phức tạp Rademacher và Kích thước VC
- Cân bằng độ chệch - phương sai
- Điều hòa
- Over-fitting (Quá khớp)
- Xác thực
- Máy véc tơ hỗ trợ (SVM)
- Kriging (Quy hồi quy trình Gauss)
- PCA và Kernel PCA
- Bản đồ Tự tổ chức (SOM)
- Không gian véc-tơ do kernel tạo ra
- Một số Kernel Mercer và các chỉ số tương đồng do kernel tạo ra
- Học Củng cố
NGÀY 3 - HỌC SÂU
Phần này sẽ được giảng dạy liên quan đến các chủ đề đã covered trong Ngày 1 và Ngày 2
- Quy hồi Logistic và Softmax
- Autoencoder thưa
- Vector hóa, PCA và Trắng hóa (Whitening)
- Học tự dạy
- Mạng Sâu
- Trình giải mã tuyến tính
- Kuộn tích và Lấp đầy (Pooling)
- Mã hóa thưa
- Phân tích thành phần độc lập
- Phân tích tương quan chính tắc
- Demos và Ứng dụng
Yêu cầu
Hiểu biết tốt về toán học.
Hiểu biết tốt về thống kê cơ bản.
Không yêu cầu kỹ năng lập trình cơ bản nhưng được khuyến khích.
Đánh giá (2)
Làm việc dựa trên các nguyên lý cơ bản một cách tập trung, và chuyển sang áp dụng các trường hợp nghiên cứu trong cùng một ngày
Maggie Webb - Department of Jobs, Regions, and Precincts
Khóa học - Artificial Neural Networks, Machine Learning, Deep Thinking
Dịch thuật bằng máy
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Khóa học - Artificial Neural Networks, Machine Learning, Deep Thinking
Dịch thuật bằng máy
